基于多尺度小波分解的家用负荷分类计量

2018-03-27任玮蒙张卫川何松辉

电气技术与经济 2018年1期

任玮蒙张卫川何松辉

（1. 国网合肥供电公司营销部 2. 河南许继仪表有限公司）

0 引言

提高终端效能及引导用户合理用电是电力需求侧管理的重要内容之一，而要实现此需求侧管理需要对家庭用户用电情况予以及时了解，实现供、用互动。智能电表是智能电网建设的重要内容，为实现需求侧管理提供了重要保障。当前，智能电表既未分时计量，也未实现负荷分类计量，不能向电力管理部门及用户提供用电明细。因此，实施家用负荷分类识别和计量显得非常必要。常用的家用负荷分类监测计量方法有侵入、非侵入两种方式[1]。在需要监测负荷上单独安装仪表实施计量监测的方法为侵入式负荷分类计量，但费用较高；在电力线入口单独安装仪表实施在线计量监测者为非侵入式负荷分类计量，该方法的成本低且操作简单，具有一定的优越性，是当前应用最为普遍的监测方法。但是，面对复杂多样且功率变化大的家庭用电状况，分类计量和数据识别的难度则较大，加上用电环境及电气特点，给数据识别和分类计量提出了更高的要求。因此，国内外学者[2]对此进行了大量研究和探索，提出了人工神经网络、聚类分析和边缘检测等方法，这在一定程度上识别了家用负荷，但尚未能对其用电量进行分类计量。

本文以暂态特征来选择和构建数据库，并对其噪声削弱影响、线性分段及收尾功率差等来确定其子库，而后以多尺度小波分解，容子库负荷模板比较后选取最大相似度后对各尺度进行投票，对得票数决策变化负荷进行统计，明确其开闭时间，此后按负荷功率波动情况采集时段总功率，并按比例分配，乘以时间间隔，算出其功率。以小波分解模糊波形特征，使建立模板产生的随机误差减小，以多尺度分解来避免小波单层分解导致的偶然误差，而后对其进行实例验证。

1 暂态波形

稳态特征、暂态特征是家用负荷的重要特征量。因暂态负荷特征同其执行的任务及物流性质关系密切[3]，因此，其包含的信息较稳态特征更加丰富，也更容易识别。所以，本文以暂态特征为特征量来监测家用负荷，其开、闭负荷类别无功、有功功率暂态波形如图1～5所示。从这些图中可以看出，家用负荷的暂态波形差异较大，很容易识别。开启、关闭过程中的功率整体较为确定。同时，这些负荷暂态特征具有较强的时序数据，时间先后顺序明显，序列特征较为突出，所以，其实质是一组数值时序的数据；线性分段化可以对时间序列进行表示，进而对其变化规律进行把握，以分析线性变化规律和降低噪声影响，如图6所示。

图1 电吹风暂态波形

图2 电视机暂态波形

图3 电饭煲暂态波形

图4 冰箱暂态波形

线性分段化算法包括自底向上、自顶向下和滑动窗口等算法，本文应用滑动窗口算法进行计算，以时间序列起点实施分段，依据窗口增长拟合误差大于指定阈值后分段结束，且从下个数据点的窗口重新开始分段，依次重复直至序列终止。

图5 节能灯暂态波形

图6 线性分段化

2 多尺度小波分解

时频分析法又称为小波变换[4]，需要满足下列函数φ(t)条件：

式中，小波母函数表示为φ(t)，由其生成的依赖尺度因子表示为a( a＞0)、 b( b ∈R)表示平移参数，二者的连续小波表示为：

因此，设信号为 f( t)∈ L2(- ∞ ,+ ∞ )，将小波转换成：

小波变换是利用 f( t)信号及φ(t)不同时移和尺度变换作比较，进而算出其频率分量来分解信号。小波离散变换就是离散a及b，最有效的小波离散方法是马拉算法。小波分解的多尺度主要是利用改变尺度因子来层层分解，每层分解均得到细节部分及近似部分。小波分解汇总其近似量能够模糊负荷暂态波信号，而多尺度分解模糊则程度各异，进而能够降低随机误差，使识别的准确率进一步提高。

3 多尺度小波分解的家用负荷分类计量

利用负荷间的特征对其准确识别，本文以暂态波为特征量来识别负荷，首先对负荷数据进行采集，而后线性分段，进行小波多层分解，再利用模板库比较其相似度，经投票决策后对其进行分类计量[5]。具体实施如下。

（1）构建负荷模板库

根据负荷间区别及其特征建立家用负荷模板库，并作为参照标准。为降低单次策略的误差，要反复测量取其平均数作为波形标准，以此进行线性分段，获取波形的趋势。负荷模板库主要包括有功功率的额定值、无功功率波形趋势、暂态过程的有功功率、细节与近似波形等，近似波形能够强化模板的模糊性。为便于搜索，可建立关闭、开启两种子库。

（2）采集及预处理数据

暂态波形准确性受到数据采集频率的影响，所以数据采集频率要高，但这会增加相应的成本，需要将成本同采集频率相结合，通常用2kHz的采集频率，这样成本既不太高，准确度也能保证。而后进行线性分段，以初始、最终两时刻功率差值确定该时刻操作负荷的开启或关闭，进而明确负荷的子库，缩短搜索时间和降低小波分析中噪声干扰导致的影响。多尺度分解采集的波形，获取细节及近似部分，以备尺度识别。

利用开关逻辑与时间匹配来辅助筛选匹配集，降低匹配过程的工作量，但要排除一开再开及未开却关等现象，筛选匹配时间要按照负荷显著的时间特征来实现。比如微波炉每次工作时长要低于半小时等。

（3）识别各尺度

负荷分类计量中识别各尺度极为关键，对家用负荷暂态有、无功率的各波形高频及低频特点进行综合，利用分解信号细节及近似部分对各模板进行辅助筛选，且进行相似度比较，应满足下列公式：

式中，n列m行矩阵表示为 A、B；波形相似度表示为SAB，且 SAB∈ (0,1)，越接近1，越表明二者变化趋势越接近，相反，其差异就越大。但此表述并不能将暂态波变化趋势完整表述，因此，应对其变化幅度的相似度进行计算，公式为：

式中，Sab表示相似度，A、B矩阵中前k个最大值表示为ai、 bi( i = 1,2,3,… ,k )，模糊因子为a。经过反复验证，选取k=3，a=0.1较为适合， Sab∈ (0 ,1]，Sab越大，ai与bi的值越接近，该时刻、该尺度下的负荷为最大模板，即Sab与SAB加权均值的最大值。

（4）投票策略

按照各层分解结果及最大相似度选择可能的负荷开启、关闭时间，建立可能事件集C。各尺度分解结果作为1票，票数最多的开闭事件为该时刻识别结果，若票数最多者超过1个，则选择其相似度最大者来识别，而后对识别结果进行可信度、可靠度计算。可靠度满足：

式中，识别结果的得票数表示为Nim，投票总数表示为Ni，也就是分解层数。最多票数者超过1个的最大相似度表示为Sm，按照可靠性强调选择识别结果，对于可靠性低的识别结果应增加其新特征量进一步识别。

（5）分类计量

依据上述识别结果，以各时刻状态变化把总时段分成 n个时段，每时刻段表示为Δt，各个时段负荷运行较为固定。但多数负荷运行的功率不断变化，为降低计量误差，有功功率P计算不应采取固定或额定值，应以有功稳态功率波动情况选择不同方式计算其实际有功功率。

波动较小的稳态有功负荷，像电吹风、电冰箱、电饭煲等，其有功功率同电压关系密切，此类负荷同时运行可以比例分配法对其总负荷有功功率进行分解，得到此时段有功功率负荷值，公式为：

运行中启、停时刻差表示为Δtk。实际电量与估计用电量间误差的计算为：

式中，W为实际电量；ˆW为估计用电量；误差表示为ε(%)。

4 算式验证

本文采用非侵入监测，于进线端对用户电流、电压信号进行监测，仪表为DL750，计算出其功率，并单独监测负荷，记录用电时间点，算出用电量，以验证分类计量准确性。

根据上述方法检测某户一天的家用负荷，该家庭用电集中在早7∶20—8∶50，18∶00—24∶00两时段。以其数据进行算例验证，带入相关的公式计算出相应的相似度、可靠性。其识别结果可信度见下表，功率变化情况如图7所示，早晚用电分隔情况如图8所示。

表用户家用负荷识别结果可靠性

图7 某家庭一天功率变化监测情况

图8 该户早、晚两时段用电分隔情况

由表1发现，关闭冰箱、电视机的识别可靠性不强，但其暂态波相似性较强，幅值较为接近，因此二者的识别容易混淆，其余开闭负荷识别可靠性皆为1.000，表明其尺度投票结果相同。参照此识别结果，带入式（8）进行分类计算。由图8可知，此识别结果同单独监测负荷使用情况较为一致。

进线端单独监测实际使用电量同监测负荷估计用电量的误差如图9所示，估计电量误差主要源于计量及识别步骤，在开、关负荷识别中，可能会出现负荷类别的识别差错，在开、关时间识别中也会有误差。负荷开、关时间识别均是1s时段为基准，因而其误差的影响相对较小。计量步骤误差则因供电电压波动或负荷功率波动是计算功率值同实际功率值不同所致。